Amari-Hopfield神经网络技术在目标运动要素解算中的应用

针对潜艇目标运动要素解算过程中经常出现的非正常误差及其无规律性,采用Amari-Hopfield神经网络思想,通过对残差的学习和训练来抑制非正常误差的影响,达到提高目标运动参数估计精度的目的。海试数据计算表明,该方法对海试量测数据中非正常误差量测点能有效地辨识并抑制,从而改进目标运动要素解算的效果。     

基于竞争神经网络的雷达杂波抑制方法

为鉴别杂波点迹和目标点迹,消除杂波对雷达性能的影响,提出了一种基于竞争神经网络的雷达杂波抑制方法.首先,选取雷达点迹形成过程中能够反映目标点迹和杂波点迹差异化的特征,作为神经网络输入数据;然后,根据输入输出的数据维度设计竞争神经网络分类器,并对其进行训练;最后,利用训练好的神经网络分类器对雷达点迹进行聚类,对识别为杂波...     

多无人直升机协作搬运控制技术研究

随着多无人机协同控制技术的迅猛发展,多无人机悬挂运输飞行成为国内外研究的热点.针对多无人直升机协作悬挂搬运的绳索摆动问题和轨迹控制问题,设计了基于最小学习参数神经网络的动态面轨迹控制方法.首先,建立了多无人直升机协作悬挂搬运系统的非线性动力学模型.然后,把对无人直升机动力学特性和稳定性能影响较大且无法测量的各绳索拉力作...     

基于神经网络自适应PID的无人机编队避障飞行控制研究

针对无人机编队避障飞行控制难题,研究了无人机编队避障航迹规划与智能控制技术.首先,提出一种基于改进人工势场法的无人机编队航迹规划算法,利用改进势场函数和引入"随机波动"法等手段,解决了传统人工势场法用于无人机编队航迹规划时遇到的无法到达目标点以及局部最小值问题,并提升了传统算法航迹规划的快速性和鲁棒性.其次,设计了一种...     

智能车自主导航的神经网络转向控制算法

针对智能车模型,提出了基于机器视觉的神经网络转向控制算法.该算法的输入为一张道路图的黑线位置值,输出为前轮转角.试验结果表明,这种算法能够很好地学习操作员给定的控制策略,具有较好的稳定性和鲁棒性.     

基于转置卷积神经网络的翼型结冰冰形图像化预测方法

结冰问题严重影响飞机飞行安全,结冰智能预测是飞机智能防除冰系统设计和安全设计的重要依据和支撑.为解决复杂冰形在翼面同一位置的法线方向冰形厚度存在多值的问题,提出基于转置卷积神经网络的翼型结冰冰形图像化预测方法.设计预测模型的神经网络结构、损失函数、数据规范等,直接将影响飞机结冰的飞行和大气条件作为输入,以灰度化的冰形图...     

基于GA-小波-BP神经网络的装备维修能力评估

针对传统装备维修保障能力评估主观性强、适应性弱的特点,提出了一种以装备维修记录为样本数据的基于误差反向传播（back propagation,BP）前馈神经网络的维修能力评估方法。为消除维修记录属性冗余,选用粗糙集主分量约简算法,对样本属性进行约简,为避免BP神经网络因局部极值导致局部收敛和收敛速度过慢的影响,利用遗传算法（genetic algorithm,GA）的全局搜索能力对神经网络初始权值和阈值进行了优化,为增加网络的学习功能,提高网络训练速率和训练精度,选取小波函数作为隐含层的传递函数,Sigmoid函数为输出层激活函数。研究表明：通过冗余属性约简提高了BP神经网络的性能,利用GA优化BP神经网络权值/阈值和小波函数作为隐含层的传递函数,避免了局部收敛,提高了网络的训练速率和评估的精度,降低了误差。     

无数据依赖智能技术在机动伴随防空传递对准中的应用

由于机动伴随防空武器系统应用场景的特殊性,难以准确建立适应多变工况的挠曲变形模型,无法保证主子惯导传递对准的精度。为解决这一问题,采用无数据依赖智能技术,将传递对准数学模型中的挠曲变形模型由神经网络代替,神经网络的连接权系数扩充为传递对准模型的部分未知变量,使用非线性卡尔曼滤波对模型所有变量进行实时估计,从而获得主、子惯导之间的失准角,基于主惯导姿态信息进而完成行进中的高精度传递对准。仿真实验表明,该方法能在很短时间内估计出失准角,完成导弹惯导的高精度初始姿态装订。     

航天器交会型轨道追逃策略的滚动时域优化

针对航天器自由时域交会型轨道追逃过程中的测量误差等不确定性对交会的影响,提出了一种基于滚动时域优化的高时效策略求解方法。根据微分对策理论推导得到博弈鞍点控制策略,并对问题进行等价转换;通过预先离线求解开环鞍点策略,将问题初始状态和相应的解作为样本以进行神经网络训练,训练后的网络结构可以快速得到相应问题的近似解。为了更好地应对博弈环境中的测量噪声,基于神经网络结构设计了滚动时域求解框架,并通过周期性的滚动求解最终实现对逃逸航天器的交会。数值仿真表明,所提出的策略可以有效应对测量噪声不确定性,且相比于文献中已有的策略,计算耗时可从分钟级降至秒级。     

长向量处理器高效RNN推理方法

模型深度的不断增加和处理序列长度的不一致对循环神经网络在不同处理器上的性能优化提出巨大挑战。针对自主研制的长向量处理器FT-M7032,实现了一个高效的循环神经网络加速引擎。该引擎采用行优先矩阵向量乘算法和数据感知的多核并行方式,提高矩阵向量乘的计算效率;采用两级内核融合优化方法降低临时数据传输的开销;采用手写汇编优化多种算子,进一步挖掘长向量处理器的性能潜力。实验表明,长向量处理器循环神经网络推理引擎可获得较高性能,相较于多核ARM CPU以及Intel Golden CPU,类循环神经网络模型长短记忆网络可获得最高62.68倍和3.12倍的性能加速。